APLIKASI DETEKSI OBJEK MENGGUNAKAN HISTOGRAM OF ORIENTED GRADIENT UNTUK MODUL SISTEM CERDAS PADA ROBOT NAO

APLIKASI DETEKSI OBJEK MENGGUNAKAN HISTOGRAM OF ORIENTED GRADIENT UNTUK MODUL SISTEM CERDAS PADA ROBOT NAO (Studi Kasus : Laboratorium Sistem Kendali Kontrol Institut Teknologi Bandung)

Disusun Oleh : ARI KURNIAWAN SAPUTRA 12421013

PROGRAM STUDI TEKNIK INFORMATIKA FAKULTAS ILMU KOMPUTER UNIVERSITAS BANDAR LAMPUNG 2016

i

ii

LEMBAR PENGESAHAN

Judul Penelitian

:APLIKASI DETEKSI OBJEK MENGGUNAKAN HISTOGRAM OF ORIENTED GRADIENT UNTUK MODUL SISTEM CERDAS PADA ROBOT NAO

Nama Mahasiswa

: Ari Kurniawan Saputra

No. Pokok Mahasiswa

: 12421013

Fakultas

: Ilmu Komputer

Program Studi

: Teknik Informatika

Mengesahkan

Bandar Lampung, Ketua Program Studi Dosen Pembimbing

Teknik Informatika

Maria Shusanti Febrianti, S.Kom.,

Marzuki Syahfirin, S.Kom., M.Kom

M.Kom.

iii

ABSTRAK

APLIKASI DETEKSI OBJEK MENGGUNAKAN HISTOGRAM OF ORIENTED GRADIENT UNTUK MODUL SISTEM CERDAS PADA ROBOT NAO (Laboratorium Sistem Kendali Kontrol (LSKK) Institut Teknologi Bandung)

Oleh : Ari Kurniawan Saputra 12421013 Pengenalan objek (object recognition) merupakan salah satu image processing untuk mengenali objek-objek yang akan dikenali untuk diolah lebih lanjut agar mendapatkan suatu data informasi. Dengan adanya proses pengenalan objek tersebut, manusia akan di permudah dalam mengenali bentuk dari objek seperti pemetaan geografis, penggunaan sensor pada benda untuk sistem keamanan, pembacaan citra hasil scan medis, dan lain-lain.Penngenalan objek (object recognition) merupakan salah satu image processing untuk mengenali objek-objek yang akan dikenali untuk diolah lebih lanjut agar mendapatkan suatu data informasi. Terdapat beberapa metode deskripsi fitur (Feature Descriptor) untuk mendeteksi objek, seperti SIFT (Scale Invariant Feature Transformation), SURF (Speed Up Robust Feature), Color based object detection, HOG (Histograms of Oriented Gradients), Viola Jones, Optical Flow, dan lain-lain. Dalam penelitian ini, metode fitur ekstraksi yang digunakan adalah HOG (Histograms of Oriented Gradients) dan menggunakan SVM (Support Vector Machine) sebagai klasifikasi fitur (feature classifier). HOG digunakan dalam penelitian ini dikarenakan HOG merupakan Feature Descriptor yang mengambil tepi atau struktur gradient yang terkarakteristik dari bentuk lokal atau arah tepi dan dengan distribusi intensitas gradient lokal yang baik. Dalam penerapan objek

iv

deteksi terdapat beberapa penerapan sistem seperti di bidang keamanan, pengembangan Artificial Intelligent, pendataan secara otomatis (automatic data collect), dan lain-lain. Adapun masalah yang menjadi permasalahan dalam penelitian tugas akhir ini adalah. Minimnya pengolahan informasi dari pendeteksian objek untuk pengembangan modul sistem cerdas pada Robot NAO. Dalam mendeteksi objek terdapat beberapa aspek yang mempengaruhi akurasi dan pengenalan objek, seperti intensitas pencahayaan yang minimum dan jumlah data training. Tujuan dari penelitian tugas akhir ini adalah mengembangkan modul sistem cerdas pada Robot NAO dengan membangun aplikasi yang dapat mendeteksi objek di sekitar. Melakukan pengujian keakurasian deteksi terhadap algoritma Feature Descriptor Histogram of Oriented Gradient yang digunakan dalam membangun aplikasi eteksi objek untuk modul sistem cerdas pada Robot NAO. Hasil dari Perancangan Aplikasi Deteksi Objek menggunakan algoritma Histogram of Oriented Gradient ini dapat digunakan untuk penambahan modul sistem cerdas pada Robot NAO di karenakan dari hasil pengujian menghasilkan pengujian tes model menunjukkan tingkat keberhasilan mencapai 99,10% dalam mengenali image tes. Pada pengujian image tes positif, jumlah penggunaan data training sangat mempengaruhi dalam proses pendeteksian objek menjadi lebih akurat. Pada pengujian image gabungan (tes image positif dan negatif) tingkat keberhasilannya naik 98.23% menjadi 99,10% .

Keyword

: Image Processing, Computer Vision, Machine Perception, Feature Descriptor Algorithm, Histogram of Oriented Gradient, Support Vector Machine, Robot NAO, Artificial Intelegence For Robot.

v

RIWAYAT HIDUP Penulis dilahirkan di Rejomulyo pada tanggal 11 September 1992 dari Ayah yang bernama Sunarto dan Ibu bernama Yuyun. Penulis merupakan anak pertama dari tiga bersaudara. Pendidikan formal yang ditempuh penulis yaitu : 1. Penulis menyelesaikan pendidikan Sekolah Dasar di SD Negeri 1 Rejomulyo, Kec. Palas, Kab. Kalianda – Lampung Selatan dan lulus pada Tahun 2006 2. Penulis melanjutkan pendidikan di SMP PGRI 1 Palas dan lulus pada Tahun 2008 3. Penulis melanjutkan pendidikannya SMA N 1 Palas dan lulus pada Tahun 2012. Pada tahun 2012, penulis melanjutkan pendidikan di Program Sarjana Universitas Bandar Lampung, Fakultas Ilmu Komputer, Program Studi Teknik Informatika.

vi

PERSEMBAHAN ‫ِب ْس ِبي ِهَّللا ِب ا ِهَّللال ْس َم ِب ا ِهَّللال ِب ِبي‬ Dengan mengucap syukur Alhamdulillah kepada Tuhan Yang Maha Esa Alloh SWT, saya persembahkan karya kecil ini untuk orang-orang yang saya sayangi : 

Kedua orang tuaku Papahku, “Sunarto” dan Mamakku tercinta, “Yuyun”, yang selalu menjadi motivator terbesar dalam kehidupanku, yang tak pernah berhenti menyebut namaku dalam setiap do’a – do’anya, dan selalu menyayangiku. Atas semua pengorbanan dan kerja keras mereka yang mengantarku sampai sekarang. Takkan pernah cukup dan bias aku membalas cinta kalian kepadaku.



Teman-teman kecil masa sekolah minggu di Gereja Methodist Indonesia (GMI) Petra Rejomulyo, yang telah memberikan dorongan semangat, dan harapan atas keberhasilanku.



Ibu Maria Shusanti Febrianti, S.Kom.,M.Kom selaku dosen pembimbing ku yang selalu memberikan saran serta motivasi kepadaku sehingga penulis dapat menyelesaikan penelitian tugas akhir ini.



Bapak Marzuki Syahfirin, S.Kom., M.Kom, yang selalu mengajari, mendidik dan memberikan motivasi dan semangat dalam penelitian penyelesaian tugas akhir ini .



Bapak Robby Yuli Endra, S.Kom., M.Kom, orang yang sangat berjasa dalam hidup saya.



Pak Uki, Hendri Martius Wijaya, Pak Romi Satria Wahono, R.I.P Steven Paul Job, orang-orang yang menjadi inspirator dan kiblat saya dalam belajar.



Meiliciana Yaputri, orang yang pernah mengajariku pemrograman hingga menjadi acuanku untuk lebih semangat lagi dalam belajar sampai sekarang.



Teman-teman programmer PHP Indonesia dan JAVA Indonesia yang telah memberikan semangat dalam menyelesaikan penelitian tugas akhir ini.



Serta Almamater Universitas Bandar Lampung.

vii

viii

MOTTO

“Wajib Bagi Saya Untuk Melanjutkan Studi Ke Luar Negeri (Vini Vidi Visi Et Impera). ” (Ari Kurniawan Saputra)

ix

KATA PENGANTAR

Puji syukur penulis haturkan atas kehadirat Allah SWT, karena berkat rahmat dan hidayah-Nya penulis dapat menyelesaikan laporan penelitian tugas akhir ini dengan tepat waktu. Dalam laporan penelitian tugas akhir ini, penulis meneliti tentang suatu aplikasi deteksi objek untuk modul sistem cerdas pada Robot NAO di Laboratorium Sistem Kendali Kontrol (LSKK) Institut Teknologi Bandung yang belum menggunakan modul ini dalam pendeteksian objek atau pengenalan objek. Pada penelitian ini penulis melakukan penelitian yang mendalam yang berfokus terhadap bagaimana cara mendeteksi suatu objek menggunakan algoritma Feature Descriptor Histogram of Oriented Gradient dan melakukan pengujian keakuratan pendeteksian suatu objek terhadap aplikasi deteksi objek yang di bangun dalam penelitian ini menggunakan beberapa data training yang telah ditentukan dengan tujuan aplikasi yang dibangun dapat diterapkan dalam modul sistem cerdas pada Robot NAO di Laboratorium Sistem Kendali Kontrol (LSKK) Institut Teknologi Bandung. Maka dalam penelitian ini penulis membangun aplikasi eteksi objek menggunakan Histogram of Oriented Gradient untuk modul sistem cerdas pada Robot NAO di Laboratorium Sistem Kendali Kontrol (LSKK) Institut Teknologi Bandung. Penulis menyadari bahwa dalam pembuatan penulisan tugas akhir ini tidak terlepas dari bimbingan dan bantuan dari semua pihak. Dengan terselesaikannya penulisan tugas akhir ini, penulis mengucapkan banyak terima kasih kepada:

1. Yang Terhormat Dra. Sri Hartati Barusman, Selaku Ketua Pembina Yayasan Administrasi 2. Yang Terhormat Bapak Dr.ir.H.M. Yusuf Sulfarano Barusman,MBA., Selaku Rektor Universitas Bandar Lampung. 3. Yang Terhormat Bapak Andala Putra Barusman,SE.,MA.Ec. Selaku Direktur Exsekutif Yayasan Administrasi Universitas Lampung. 4. Yang Terhormat Bapak Ahmad Cucus, S.Kom., M.Kom., Selaku Dekan Fakultas Ilmu Komputer Universitas Bandar Lampung. x

5. Yang Terhormat Bapak Marzuki Syahfirin, S.Kom., M.Kom. Selaku Ketua Program Studi Teknik Informatika Fakultas Ilmu Komputer Universitas Bandar Lampung, sekaligus memberikan motivasi dan semangat dalam penelitian penyelsaian penelitian tugas akhir pada penulis. 6. Yang Terhormat Ibu Maria Shusanti Febrianti, S.Kom.,M.Kom selaku dosen pembimbing dalam pembuatan penulisan tugas akhir ini yang telah membimbing dan memberikan pengarahan serta masukan – masukan yang positif pada penulis. 7. Seluruh Dosen Fakultas Ilmu Komputer Universitas Bandar Lampung. 8. Seluruh tim Lumen Research di Laboratorium Sistem Kendali Kontrol (LSKK) Institut Teknologi Bandung. 9. Semua teman-teman Fakultas Ilmu Komputer angkatan 2012.

Semoga penulisan tugas akhir ini dapat bermanfaat bagi kemajuan ilmu pengetahuan khususnya di Fakultas Ilmu Komputer Universitas Bandar Lampung. Penulis menyadari sepenuhnya bahwa penulisan tugas akhir ini masih jauh dari kata sempurna. Oleh karena itu dengan rendah hati, penulis mengharapkan saran, buah pemikiran, serta kritik yang membangun dari pembaca yang membaca penulisan tugas akhir ini, guna lebih memperbaiki dan menyempurnakan penulisan tugas akhir ini.

Bandar Lampung, Maret 2016

(Ari Kurniawan Saputra)

xi

DAFTAR ISI LEMBAR PENGESAHAN………...…………………………………..………...ii ABSTRAK………………………………………………………………….…....iii RIWAYAT HIDUP………………………………………………………….…..vii PERSEMBAHAN…………………………………………………….…………viii MOTTO………………………………………………………………….…….…ix KATA PENGANTAR…………………………………………………….……....x DAFTAR GAMBAR……………………………………………………..…...…xv DAFTAR TABEL…………………………………………………………….....xvi BAB I PENDAHULUAN 1.1

Latar Belakang………………………………………………….…………1

1.2

Identifikasi Masalah……………………………………………………….3

1.3

Rumusan Masalah…………………………………………………………4

1.4

Batasan Masalah…………………………………………………………..4

1.5

Tujuan Penelitian………………………………………………………….4

1.6

Manfaat Penelitian………………………………………………………...4

1.7

Kerangka Pemikiran…………………………………………………....….5

1.8

Sistematika Penulisan……………………………………………………...6

BAB II TINJAUAN PUSTAKA DAN LANDASAN TIORI 2.1

Tinjauan Pustaka…………………………………………………………10

2.2

Landasan Teori…………………………………………………………...11 2.2.1 Pengertian Artificial Intelligence ………………………………..11 2.2.2 Pengertian Computer Vision …………………………………….10 2.2.3 Pengertian Pengolahan Citra (Image Processing).……………....13 2.2.4 Pendeteksi Tepi (Edge Detection).…………………………….....16 2.2.5 Piksel ……………………………………………….....................17 2.2.6 Definisi Histogram Of Oriented Gradient……………….............19 2.2.7 Definisi Flowchart (Diagram Alir)…………………….................23

BAB III

xii

METODOLOGI PENELITIAN 3.1

Metode Penelitian………………………………………………………...33 3.1.1 Jenis Metode Penelitian…………………………………………33

3.2

Metode Pengumpulan data……………………………………………….33 3.2.1 Studi Pustaka (Library Research)……………………………… .33 3.2.2 Studi Lapangan (Field Research)………………………………...33

3.3

Analisis Kebutuhan Fungsional………………………………………….34

3.4

Analisa Kebutuhan Non-Fungsional……………………………………..34 3.4.1 Analisis Perangkat Keras (Hardware) ……………………………35 3.4.2 Analisis Kebutuhan Perangkat Lunak (Software)………………36

3.5

Analisis Pengguna………………………………………………………..36

3.6

Flowchart (Diagram Alir)…………………………..................................37

3.7

Perancangan Aplikasi Deteksi Objek ………………………………........40

BAB IV HASIL DAN PEMBAHASAN 4.1

Perancangan Aplikasi Deteksi Objek Untuk Modul Sistem Cerdas Pada Robot NAO.……………………...............................................................43 4.1.1 Sejarah Singkat Laboratorium Sistem Kendali Kontrol Institut Teknologi Bandung ………………...............................................43

4.2

Pembahasan………………………………………………………………44 4.2.1 Microsoft Visual Studio ………………………………………....44 4.2.2 Robot NAO ……………………………………………...............49 4.2.3 Antar Muka ……………………………………………...............51 4.2.3.1 Akuisisi Citra ………………………………………........53 4.2.3.2 Normalisasi Warna ……………………………………...53 4.2.3.3 Menghitung Nilai Gradient (Gradient Compute) ……...53 4.2.3.4 Menentukan Bin Orientasi (Spatial Orientation Binning).53 4.2.3.5 Normalisasi Blok (Block Normalization)……………...... 53 4.2.3.6 Linear Support Vector Machine (SVM) Classifier ……...53 4.2.3.7 Detector Window ………………………………………..53

4.3

Pengujian Black Box……………………………………………..............44

xiii

4.4

Pengujian Wihite Box……………………………………………….........44 4.4.1 Flowchart Halaman Utama Aplikasi ………………....................44 4.4.2 Flowgraph Halaman Utama Aplikasi …………..........................44 4.4.3 Path Linear Halaman Utama Aplikasi …………..........................44 4.4.4 Cyclomatic Compexcity User …………........................................44 4.4.5 Flowgraph Halaman Utama Aplikasi …………..........................44

4.5

Hasil Keakurasian Deteksi Objek Pada Aplikasi Deteksi Objek Menggunakan Algoritma Feature Descriptor Histogram of Oriented Gradient…………………………………………......................................59

BAB V KESIMPULAN DAN SARAN 5.1

Kesimpulan………………………………………………………………62

5.2

Saran……………………………………………………………………..63

DAFTAR PUSTAKA……………………………………………………………7

xiv

DAFTAR GAMBAR Gambar 3.1 Flowchart Proses Akuisisi Citra……………………….....................12 Gambar 3.2 Flowchart Proses Pendeteksian Objek Menggunakan Histogram Of Oriented Gradient………………...........................................................................13 Gambar 3.3 Flowchart Pengiriman Data ke Server Modul……………................15 Gambar 3.4 Flowchart Kinerja Sistem……………...............................................18 Gambar 3.5 Rancangan Aplikasi deteksi Objek……………………....................19 Gambar 4.1 Tampilan Aplikasi Deteksi Objek……………………......................20 Gambar 4.2 Proses Akuisisi Citra Dari Kamera Robot NAO………………........32 Gambar 4.5 Data Training Akuisisi Citra Positif…………………………….......33 Gambar 4.6 Data Training Akuisisi Citra Negatif………………….....................34 Gambar 4.7 Gambar Asli Beberapa Objek Yang Akan Di Lakukan Pendeteksian………...............................................................................................38 Gambar 4.8 Hasil Gambar Grayscale Beberapa Objek Yang Akan Di Lakukan Pendeteksian…………...........................................................................................38 Gambar 4.9 Nilai Sel Dalam Gambar……….......................................................39 Gambar 4.10 (a) citra grayscale (b) citra hasil perhitungan gradient…….........41 Gambar 4.11 (a) Sudut Gradient, (b) Grafik Histogram Pada Sel………............42 Gambar 4.12 (a) Citra Grayscale, (b) Nilai Histogram, (c) Magnitude, (d) Visualisasi Fitur Histogram of Oriented Gradient…….........................................44 Gambar 4.13 R-HOG Sel………………………………………………...............45 Gambar 4.14 SVM dalam upayanya mencari hyperlane terbaik untuk memisahkan class -1 dan +1……................................................................................................45 Gambar 4.16 Flowgraph Halaman Utama Aplikasi………………......................46 Gambar 4.16 Grafik Flowgraph Halaman Aplikasi Deteksi Objek………….......46 Gambar 4.15 Testing Image……………………………………………………...47 Gambar 4.16 Proses Pendeteksian Objek…….......................................................47

xv

DAFTAR TABEL Tabel 2.1 Flowchart (Diagram Alir) ................................................................... 37 Tabel 3.1 Karakteristik Pengguna....................................................................... 39 Tabel 4.1 Halaman Utama Aplikasi .................................................................... 40 Tabel 4.2 Data Image Test Dalam Pengujian Data Training .............................. 40 Tabel 4.3 Hasil Pengujian Data Training ............................................................ 49

xvi

BAB I PENDAHULUAN 1.1 Latar Belakang Pengolahan Citra Digital atau Image Processing merupakan kajian ilmu yang mengolah data berupa gambar dengan bantuan sistem teknologi komputer, baik tentang perbaikan kualitas citra ataupun pengenalan citra, semua dapat di pelajari dalam ilmu ini. Pemgembangan ilmu ini juga dapat dikembangkan dalam berbagai penelitian dan dalam bidang Computer Vision. Computer Vision merupakan kombinasi antara pengolahan citra dan pengenalan pola. Hasil keluaran dari proses Computer

Vision merupakan

imageunderstanding.

Pengembangan bidang ini dilakukan dengan mengadaptasi kemampuan dari penglihatan manusia dalam mengambil informasi. Dalam disiplin ilmu, computer vision

berkaitan

dengan

teori

pada

AI

(Artificial

Intelegent)yang

mengektraksiinformasi dari citra. Data citra dapat diperoleh dengan beberapa bentuk seperti urutan video,sudut pandang dari beberapa kamera, atau data multidimensional dari scanner medis. Beberapa area permasalahan dalam Computer Vision yaitu : recognation, motion, dan restorasi citra (menurut : Computer Vision, hal : 01, Linda G. Shapiro & George C. Stockman, Prentice Hall, 2001). LSKK adalah

kelompok yang berdiri sejak tahun 1965 yang bekerja

dalam bidang pendidikan, penelitian & pengembangan serta dukungan profesional dalam kerangka Institut Teknologi Bandung. Saat ini, LSKK beranggotakan sebanyak 16 orang staf dari dua Kelompok Keahlian, yaitu KK Teknik Komputer & KK Kendali & Sistem Komputer. (http://www.lskk.ee.itb.ac.id/about-us, 09 Desember 2015) NAO adalah robot humanoid berukuran sedang yang otonom dan dapat diprogram, yang dikembangkan oleh Aldebaran Robotics, sebuah perusahaan startup dari Perancis yang berkantor pusat di Paris. Proyek Nao diluncurkan pada tahun 2004. Pada tanggal 15 Agustus 2007 Nao menggantikan robot anjing milik Sony yaitu Aibo sebagai robot yang digunakan dalam kompetisi Liga Platform Standar (LPS) pada Piala dunia sepak bola robot (Robo Cup), suatu kompetisi xvii

robotika

internasional.

(http://doc.aldebaran.com/2-1/news/index.html,

09

Desember 2015) Pengenalan object (object recognition) merupakan salah satu image processing untuk mengenali objek-objek yang akan dikenali untuk diolah lebih lanjut agar mendapatkan suatu data informasi. Dengan adanya proses pengenalan objek tersebut, manusia akan di permudah dalam mengenali bentuk dari objek seperti pemetaan geografis, penggunaan sensor pada benda untuk sistem keamanan, pembacaan citra hasil scan medis, dan lain-lain.Penngenalan object (object recognition) merupakan salah satu image processing untuk mengenali objek-objek yang akan dikenali untuk diolah lebih lanjut agar mendapatkan suatu data informasi. Dengan adanya proses pengenalan objek tersebut, manusia akan di permudah dalam mengenali bentuk dari objek seperti pemetaan geografis, penggunaan sensor pada benda untuk sistem keamanan, pembacaan citra hasil scan medis, dan lain-lain. Terdapat beberapa metode deskripsi fitur (Feature Descriptor) untuk mendeteksi objek, seperti SIFT (Scale Invariant Feature Transformation), SURF (Speed Up Robust Feature), Color based object detection, HOG (Histograms of Oriented Gradients), Viola Jones, Optical Flow, dan lain-lain. Dalam penelitian ini, metode fitur ekstraksi yang digunakan adalah HOG (Histograms of Oriented Gradients) dan menggunakan SVM (Support Vector Machine) sebagai klasifikasi fitur (feature classifier). HOG digunakan dalam penelitian ini dikarenakan HOG merupakan Feature Descriptor yang mengambil tepi atau struktur gradient yang terkarakteristik dari bentuk lokal atau arah tepi dan dengan distribusi intensitas gradient lokal yang baik. Dalam penerapan objek deteksi terdapat beberapa penerapan sistem seperti di bidang keamanan, pengembangan ArtificialIntelligent, pendataan secara otomatis (automatic data collect), dan lain-lain. Histogram Of Oriented Gradients adalah algoritma digunakan untuk mengekstraksi fitur pada obyek gambar dengan menggunakan obyek manusia. Berdasarkan langkahnya, proses awal pada metode HOG adalah mengkonversi citra RGB (Red, Green, Blue) menjadi grayscale, yang kemudian dilanjutkan dengan menghitung nilai gradien setiap piksel. Setelah mendapatkan nilai gradien,

xviii

maka proses selanjutnya yaitu menentukan jumlah bin orientasi yang akan digunakan dalam pembuatan histogram. Proses ini disebut spatial orientation binning. Namun sebelumnya pada proses gradient compute gambar pelatihan dibagi menjadi beberapa cell dan dikelompokkan menjadi ukuran lebih besar yang dinamakan block. Sedangkan pada proses normalisasi block digunakan perhitungan geometri R-HOG. Proses ini dilakukan karena terdapat block yang saling tumpang tindih. Berbeda dengan proses pembuatan histogram citra yang menggunakan nilai – nilai intensitas piksel dari suatu citra atau bagian tertentu dari citra untuk pembuatan histogramnya. (Navneet Dalal and Bill Triggs, 2003) Aplikasi Deteksi Objek merupakan aplikasi yang digunakan dalam pendeteksian atau pengenalan suatu objek sesuai dengan data training yang digunakan dan dapat dijadikan penambahan modul sistem cerdas pada robot dalam mengenali objek didalam suatu ruangan ataupun luar ruangan. Setelah melihat perumusan masalah diatas maka tujuan penelitian ini adalah membangun aplikasi deteksi objek untuk penambahan modul sistem cerdas pada Robot NAO di Laboratorium Sistem Kendali Kontrol (LSKK) Institut Teknologi Bandung. Berdasarkan latar belakang diatas maka penulis mengadakan penelitian dalam penyusunan tugas akhir yang berjudul "APLIKASI DETEKSI OBJEK MENGGUNAKAN HISTOGRAM OF ORIENTED GRADIENT UNTUK MODUL SISTEM CERDAS PADA ROBOT NAO". 1.2 Identifikasi Masalah Berdasarkan uraian di atas, permasalahan yang di identifikasi adalah : 1. Minimnya

pengolahan

informasi

dari

pendeteksian

objek

untuk

pengembangan modul sistem cerdas pada Robot NAO. 2. Dalam mendeteksi objek terdapat beberapa aspek yang mempengaruhi akurasi dan pengenalan objek, seperti intensitas pencahayaan yang minimum dan jumlah data training. 1.3 Batasan Masalah

xix

Melihat dari latar belakang tersebut, maka penelitian ini hanya terfokus pada : 1. Pada penelitian ini penerapan pengenalan objek hanya dilakukan pada kamera robot NAO. 2. Pada penelitian ini rata-rata data yang akan di training digunakan sekitar 7 data positif dan 15 data negatif. 3. Background

yang

digunakan

dalam

memaksimalkan

intensitas

pencahayaan menggunakan warna putih untuk lebih meningkatkan akurasi pengenalan objek. 1.4 Rumusan Masalah Adapaun permasalahan dalam penelitian ini adalah

"Bagaimana

Penerapan Aplikasi Deteksi Objek Menggunakan Histogram Of Oriented Gradient Untuk Sistem Cerdas Robot NAO Dalam Mempersepsikan Suatu Ruangan ? "

1.5 Tujuan Penulisan Penelitian ini bertujuan untuk : 1. Mengembangkan modul sistem cerdas pada robot NAO dengan membangun aplikasi yang dapat mendeteksi objek di sekitar. 2. Melakukan pengujian keakurasian deteksi terhadap algoritma Feature Descriptor Histogram of Oriented Gradient yang digunakan dalam membangun aplikasi eteksi objek untuk modul sistem cerdas pada Robot NAO. 1.6 Manfaat Penelitian Penelitian ini diharapkan bermanfaat : 1. Manfaat dari penelitian ini di harapkan dapat di implementasikan pada sistem

cerdas

semua

robot

xx

dalam

pendeteksian

objek

untuk

mempersepsikan suatu ruangan menggunakan algoritma Histogram Of Oriented Gradient. 2. Manfaat dari penelitian ini, penulis dapat memahami lebih lanjut mengenai algoritma Histogram Of Oriented Gradient yang diterapkan pada modul sistem

cerdas

robot

NAO

untuk

pendeteksian

objek

dalam

mempersepsikan suatu ruangan. 3. Manfaat penelitian ini diharapkan dapat dijadikan acuan pustaka bagi penulis lain yang sedang melakukan penelitian mengenai pendeteksian objek menggunakan algoritma Histogram Of Oriented Gradient 1.7 Kerangka Pemikiran

xxi

Problem

Minimnya pengolahan informasi dari pendeteksian objek untuk pengembangan machine perception

Dalam mendeteksi objek terdapat beberapa aspek yang mempengaruhi akurasi dan pengenalan objek, seperti intensitas pencahayaan yang minimum dan jumlah data training

Approach

Histogram Of Oriented Gradient

Software Development

Microsoft Visual Studio C# 2010

Emgu CV

Implementasi

Robot Lumen (NAO)

Result

Aplikasi dapat mempersepsikan ruangan berdasarkan dari inputan objek yang dikeanli

1.8

Sistematika Penulisan Pada penulisan penelitian ilmiah ini terdiri dari beberapa bab dan

diuraikan secara singkat ke dalam sistematika penulisan yaitu sebagai berikut :

xxii

BAB I

PENDAHULUAN Didalam Bab 1 Penulis Menguraikan tentang latar belakang,

batasan

masalah

tujuan

penelitian

dan

permasalahan yang ada pada pendeteksian objek pada persepsi mesin BAB II

TINJAUAN PUSTAKA DAN LANDASAN TEORI Di dalam Bab II penulis menjelaskan mengenai tinjauan pustaka dan teori- teori yang mendasari dalam penulisan tugas akhir ini dan dipakai sebagai pedoman bagi penulis dalam penyusunan tugas akhir.

BAB III

METODOLOGI PENELITIAN Pada Bab III berisi tentang metode-metode yang digunakan dalam perancangan untuk penyusunan tugas akhir ini.

BAB IV

HASIL DAN PEMBAHASAN Pada bab IV penulis membahas tentang perancangan dan hasil dari pendeteksian objek menggunakan algoritma Histogram Of Oriented Gradient.

BAB V

KESIMPULAN DAN SARAN Pada bab ini merupakan bab terakhir dalam penulisan ilmiah ini yang berisikan uraian tentang kesimpulan dan saran.

DAFTAR PUSTAKA LAMPIRAN

xxiii

BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI 2.1 Tinjauan Pustaka Untuk mendukung Penelitian ini digunakan beberapa landasan teori yang relevan serta berkaitan dengan pokok bahasan sebagai berikut : a. Penelitian yang dilakukan oleh Navneet Dalal and Bill Triggs, France : “Histograms of Oriented Gradients for Human Detection” menjelaskan bahwa metode HOG memungkinkan untuk mendeteksi manusia dengan 6 langkah dasar sebagai proses seperti, normalisasi warna, perhitungan

xxiv

gradien, orientasi bin dan sel, normalisasi kontras dengan penumpukan blok spasial, pengumpulan data histogram, dan klasifikasi menggunakan SVM. b. Penelitian yang kedua dilakukan oleh Yanwei Pang, Kun Zhang, Yan Yuan, Kongqiao Wang tentang "Distributed Object Detection With Linear SVMs", komputasi rendah kompleksitas dan generalisasi tinggi dua gol penting untuk video deteksi objek. Kompleksitas komputasi rendah disini berarti tidak hanya kecepatan yang cepat tetapi juga konsumsi energi lebih sedikit. Sliding window metode objek deteksi dengan Linear Support Vector Machine (SVM) adalah framework untuk objek deteksi yang sudah umum. c. Penelitian yang ketiga dilakukan oleh Shunli Zhang, Xin Yu, Yao Sui, Sicong Zhao, and Li Zhang tentang "Object Tracking With Multi-View Support Vector Machines", metode tracking baru melalui multi-view framework learning multi-view dengan menggunakan Support Vector Machine (SVM), metode tracking multi-view SVM dibangun berdasarkan beberapa tampilan fitur dan strategi kombinasi baru. Untuk mewujudkan representasi yang komprehensif, kami memilih tiga jenis fitur, yaitu, nilai abu-abu skala, histogram gradien berorientasi (HOG), dan pola biner lokal (LBP), untuk melatih SVMs sesuai. d. Penelitian yang keempat dilakukam oleh Venkata Naresh Mandhala, et al, tentang

"Scene

Classification

Using

Support

Vector Machines",

mengklasifikasikan scenes dunia nyata dalam empat kelompok semantik pantai, hutan, jalan raya dan jalan menggunakan mesin dukungan vektor. Pendekatan klasifikasi didirikan menyederhanakan buruk pada tugas-tugas klasifikasi citra, ketika kelas non-dipisahkan. Support Vector Machine adalah teknik klasifikasi terbimbing, memiliki ekstraksi di geometris Teori Belajar dan telah mendapatkan pentingnya sebagai hey kuat, tepat dan efektif bahkan setelah menggunakan model pelatihan kecil.

2.2 Landasan Teori

xxv

2.2.1 Pengertian Artificial Intelligence

Menurut Elaine Rich dan Kevin Knight, Artificial intelligence (AI) atau kecerdasan buatan merupakan salah satu bagian dari ilmu komputer yang membuat agar mesin (komputer) dapat melakukan pekerjaan sebaik yang dilakukan manusia atau bahkan lebih baik. Dan yang dimaksud dengan kecerdasan buatan adalah kombinsai dari kemampuan untuk melakukan : a. Learning, semua jenis pembelajaran informal maupun formal melalui kombinasi

dari

pengalaman,

pendidikan

dan

pelatihan.

Learning

menunjukkan perubahan di dalam sistem yang memungkinkan system untuk melakukan tugas yang sama secara lebih efisien. b. Pose Problems, mengenali situasi masalah dan mentransformasikan menjadi masalah yang lebih jelas. Solve Problems, memecahkan masalah, menyelesaikan tugas dan penciptaan produk. (Shapiro, 2001) 2.2.2 Pengertian Computer Vision

Computer Vision suatu bidang yang bertujuan untuk membuat suatu keputusan yang berguna mengenai obyek fisik nyata dan keadaan berdasarkan atas sebuah citra. Computer Vision merupakan kombinasi antara pengolahan citra dan pengenalan pola. Hasil keluaran dari proses Computer Vision merupakan image understanding. Pengembangan bidang ini dilakukan dengan mengadaptasi kemampuan dari penglihatan manusia dalam mengambil informasi. Dalam disiplin ilmu, Computer Vision berkaitan dengan teori pada AI

yang

mengektraksi informasi dari citra. Data citra dapat diperoleh dengan beberapa bentuk seperti urutan video, sudut pandang dari beberapa kamera, atau data multi-dimensional dari scanner medis. Beberapa area permasalahan dalam Computer Vision yaitu : Recognation, Motion, dan restorasi citra tahun 1989, Fungsi-fungsi yang umumnya dilakukan dalam banyak system Computer Vision adalah sebagai berikut:

xxvi

a. Image acquisition, berhubungan dengan pengambilan citra yang digunakan misalnya

citra

untuk

pengukuran

suhu

yang

umumnya

diambil

menggunakan kamera yang dilengkapi dengan sensor suhu. b. Pre-processing, yaitu tahapan yang dilakukan untuk mengekstraksi beberapa informasi yang dilakukan dengan melakukan pengurangan noise, peningkatan kontras, dan untuk citra berwarna dapat juga dilakukan gray scaling. c. Feature extraction adalah pengambilan fitur-fitur bermakna dari citra dan umumnya fitur-fitur tersebut dapat berbentuk tepi/edge, titik-titik yang terlokalisasi, bentuk atau pergerakan. d. Detection / segmentation yang merupakan penentuan wilayah dari titik-titik atau wilayah yang menjadi pokok perhatian. e. High level processing adalah fungsi dimana data diperiksa apakah data diterima untuk verification dan data dikenali untuk recognition. f. Decision making adalah fungsi yang menentukan apakah suatu data yang ada itu sesuai atau tidak dengan menilai seberapa besar kecocokan dengan sesuatu yang diinginkan. (Shapiro, 2001) 2.2.3 Pengertian Pengolahan Citra (Image Processing)

Pemrosesan citra atau i mage processing adalah sebuah teknik dimana data dari sebuah citra didigitisasi dan beberapa operasi matematika diaplikasikan ke dalam data, biasanya dengan komputer digital, untuk membuat sebuah citra yang lebih

berguna

atau

menyenangkan

pada

mata

manusia,

atau

untuk

mepresentasikan beberapa dari tugas interpretasi dan pengenalan yang biasanya dilakukan oleh manusia. Lebih luasnya lagi, image processing adalah bentuk dari information processing dimana kedua input dan output berupa citra, seperti foto atau frame dari video. Kebanyakan teknik image processing memperlakukan citra sebagai signal dua dimensi dan mengaplikasikan teknik signal processing yang standard kedalamnya. 1.

Definisi Citra Sebuah citra adalah kumpulan piksel-piksel yang disusun dalam larik

dua dimensi. Piksel adalah sampel dari pemandangan yang mengandung intensitas

xxvii

citra yang dinyatakan dalam bilangan bulat. Indeks baris dan kolom (x,y) dari sebuah piksel dinyatakan dalam bilangan bulat. Piksel (0,0) terletak pada sudut kiri atas pada citra, indeks x bergerak ke kanan dan indeks y bergerak ke bawah. Konvensi ini dipakai merujuk pada cara penulisan larik yang digunakan dalam pemrograman komputer. (a) koordinat pada grafik matematika (b) koordinat pada citra Pengertian citra berdasarkan sifatnya dapat dikategorikan menjadi dua , yaitu citra analog dan citra digital. a. Citra Analog Citra Analog merupakan kesan visual yang dihasilkan oleh sistem saraf penglihatan manusia akibat stimulasi cahaya. Cahaya merupakan gelombang elektromagnetik yang berada didalam jangkauan 350nm sampai 780nm dari spektrum

elektromagnetik

dan

diekspresikan

sebagai

distribusi

energi

L(λ).Cahaya yang diterima oleh sebuah objek disebut iluminasi. Dimana p(λ) adalah tingkat refleksitas objek, L(λ) adalah distribusi energi cahaya dan I(λ) adalah iluminasi yang dihasilkan.Iluminasi yang dihasilkan akan ditangkap oleh sensor visual mata yang disebut batang dan kerucut.sensor batang berjumlah sekitar seratus juta dan bersifat peka terhadap nilai iluminasi yang rendah (gelap), sedangkan sensor kerucut berjumlah sekitar 6,5 juta , peka terhadap nilai iluminasi yang tinggi (terang) dan warna. b. Citra Digital citra adalah sebuah kumpulan nilai-nilai yang tersusun secara dua dimensi , yaitu tersusun atas baris dan kolom. Setiap nilai dari kumpulan ini disebut elemen citra (picture elemen atau piksel). Pada umumnya nilai-nilai ini merupakan bilangan bulat dan memiliki jangkauan nilai minimal maupun maksimal, serta memiliki tingkat intensitas salah satu komponen warna pada model warna tertentu (misalnya model warna merah, hijau, dan biru). Dimensi dari susunan nilai ini disebut lebar dan tinggi dari citra sedangkan banyaknya bit (binary digit) untuk menyatakan sebuah nilai disebut kedalaman citra. Citra digital dihasilkan melalui proses digitalisasi, yang terdiri atas proses sampling dan quantizing. Proses sampling adalah proses penangkapan gelombang cahaya oleh serangkaian sensor yang peka terhadap gelombang elektromagnetik cahaya

xxviii

tertentu, memiliki ukuran tertentu, dan disusun atas baris dan kolom, ukuran dan bentuk sensor, serta banyaknya sensor secara horizontal dan vertical menentukan resolusi citra yang dihasilkan. Sensor-sensor ini akan menghasilkan tegangantegangan listrik yang sebanding dengan besar intensitas cahaya yang diterima, yang kemudian akan dikirimkan ke quantizer untuk ditentukan nilainilainya.Nilai-nilai inilah yang disebut dengan piksel. (Rafael C. Gonzalez, 2008) 2.2.4 Pendeteksi Tepi (Edge Detection)

Pendeteksi tepi (Edge detection) adalah sebuah metode dalam image processing untuk mendeteksi suatu sisi (pinggir) dari sebuah citra. Goal dari edge detection adalah untuk memberi tanda pada poin dalam digital image yang dimana intensitas cahayanya berubah secara tajam. Perubahan ketajaman dalam properti citra biasanya merefleksikan kejadian-kejadian yang penting dan perubahan dalam properti dunia. Ini termasuk (i) diskontuinitas dalam kedalaman, (ii)diskontuinitas dalam orientasi permukaan, (iii) perubahan dalam properti material dan (iv) beberapa variasi dalam skema iluminasi. Edge detection adalah sebuah riset dalam area image processing dan computer vision, dan juga dalam area feature extraction. Edge detection dari sebuah citra berkurang secara signifikan tergantung oleh banyaknya data dan informasi filter yang bisa dianggap sebagai kurang relevan, menyimpan struktur properti yang penting dari sebuah citra. Ada banyak metode untuk melakukan edge detection, tapi beberapa bisa dibagi dalam dua kategori, search-based dan zero-crossing based. Dalam metode search-based mendeteksi sisi dengan melihat maxima dan minima dalam derivatif pertama dari citra, biasanya local directional maxima dari magnitude gradien. Dalam metode zero-crossing based mencari zero crossing dalam derivatif kedua dari citra untuk mencari sisi, biasanya zero crossing dari Laplacian atau zero crossing dari ekspresi diferensial yang non-linear. (Rafael C. Gonzalez, 2008) : 2.2.5 Piksel

Menurut (Rafael C. Gonzalez, 2008) gambar yang bertipe bitmap tersusun dari piksel-piksel. Piksel disebut juga dengan dot. Piksel berbentuk bujur sangkar dengan ukuran relatif kecil yang merupakan penyusun atau pembentuk gambar bitmap. Banyaknya piksel tiap satuan luas tergantung pada resolusi yang xxix

digunakan. Keanekaragaman warna piksel tergantung pada bit depth yang dipakai. Semakin banyak jumlah piksel tiap satu satuan luas, semakin baik kualitas gambar yang dihasilkan dan tentu akan semakin besar ukuran file-nya. Hubungan yang ada antara piksel-piksel, yaitu neighbours of a pixel. Dimisalkan piksel F terletak di koordinat (x,y), maka yang disebut delapan tetangga (neighbours of a piksel) atau N8 (F) adalah piksel-piksel yang memiliki koordinat: (x+1,y),(x-1,y),(x,y+1),(x,y-1), (x+1,y+1), (x-1,y+1),(x+1,y-1),(x-1,y-1)

2.2.6 Definisi Histogram Of Oriented Gradient Histogram Of Oriented Gradients ini digunakan untuk mengekstraksi fitur pada obyek gambar dengan menggunakan obyek manusia. Berdasarkan langkahnya, proses awal pada metode HOG adalah mengkonversi citra RGB (Red, Green, Blue) menjadi grayscale, yang kemudian dilanjutkan dengan menghitung nilai gradien setiap piksel. Setelah mendapatkan nilai gradien, maka proses selanjutnya yaitu menentukan jumlah bin orientasi yang akan digunakan dalam pembuatan histogram. Proses ini disebut spatial orientation binning. Namun sebelumnya pada proses gradient compute gambar pelatihan dibagi menjadi beberapa cell dan dikelompokkan menjadi ukuran lebih besar yang dinamakan block. Sedangkan pada proses normalisasi block digunakan perhitungan geometri R-HOG. Proses ini dilakukan karena terdapat block yang saling tumpang tindih. Berbeda dengan proses pembuatan histogram citra yang menggunakan nilai – nilai intensitas piksel dari suatu citra atau bagian tertentu dari citra untuk pembuatan histogramnya, berikut adalah tahapan dalam Histogram Of Oriented Gradient : (Navneet Dalal and Bill Triggs, 2003) a) Konversi Citra atau Normalisasi Warna Citra true colour adalah representasi citra berwarna yang mrmiliki tiga komponen utama yaitu merah, hijau dan biru (RGB). Masing-masing komponen pada citra true colour mempunyai 256 kemungkinan nilai. Citra grayscale memiliki 28 (256) kemungkinan nilai pada pikselnya. Nilai tersebut dimulai dari nol untuk warna hitam dan 255 untuk warna putih. Konversi Citra true colour ke Grayscale

xxx

mengubah nilai piksel yang semula mempunyai 3 nilai yaitu Red, Green, Blue menjadi satu nilai yaitu keabuan. Berikut persamaan yang digunakan untuk mendapatkan nilai keabuan : L = 0.144*R+0.587*G+0.299*B Dimana : L

: nilai keabuan pada piksel

0.144

: bobot untuk elemen warna merah (wR)

0.587

: bobot untuk elemen warna biru (wB)

0.299

: bobot untuk elemen warna hijau (wG)

R

: nilai intensitas elemen warna merah

B

: nilai intensitas elemen warna biru

G

: nilai intensitas elemen warna hijau

NTSC (National Television System Committee) mendefinisan bobot untuk konversi citra true colour ke grayscale sebagai berikut : wR = 0.299, wB = 0.587, wG = 0.114. Data masukkan berupa citra true colour dan data keluaran berupa citra Grayscale. b) Gradient Compute Setelah proses konversi citra yaitu mengubah gambar dalam bentuk grayscale langkah selanjutnya adalah menghitung nilai gradien setiap piksel dalam gambar. c) Spatial Orientation Binning Untuk membuat sebuah histogram dibutuhkan nilai gradien dan nilai tersebut didapat dari nilai tiap piksel dalam sebuah gambar. Gambar kemudian akan dibagi menjadi cells dengan ukuran yang telah ditentukan. Jadi tiap cells dalam gambar akan dibuat histogramnya untuk mengetahui nilai dalam tiap cells karena tiap cell mempunyai nilai yang berbeda. Dalam pembuatan histogramnya diperlukan adanya bin untuk mengetahui nilai gradiennya. Bin akan ditentukan sendiri oleh pengguna. Dalam penelitian sebelumnya bin yang digunakan adalah 4 bin orientation

xxxi

d) Normalization Block Karena nilai gradien mempunyai nilai yang berbeda oleh karena itu diperlukan pengelompokkan cells menjadi lebih besar atau yang disebut dengan block. Block biasanya tumpang tindih karena setiap cells kontribusi nilai lebih dari sekali. Dalam normalisasi block ini terdapat dua geometri block utama yaitu block persegi panjang R-HOG dan melingkar C-HOG akan tetapi dalam penelitian ini yang akan digunakan adalah geometri R-HOG. Hasil akhir dalam normalisasi block ini yaitu fitur. Dalam proses ini, block yang tumpang tindih diselesaikan dengan R-HOG. Sedangkan dalam block terdiri dari 2 x 2 cells, dalam detector windows terdapat 7 x 15 R-HOG dan menggunakan 4 bin orientasi sehingga diperoleh 1680 vektor dalam 1 detector windows. Jumlah vektor ini di dapat dari 2x2x7x15x4 dan vektor ini yang disebut sebagai fitur. Gambar 2.7 adalah contoh bentuk geometri R-HOG.

e) Detector Windows Detector windows merupakan windows atau jendela berukuran 64 x 128 yang digunakan untuk jendela pendeteksian. Jendela pendeteksian ini terdiri dari 8 x 8 piksel dalam tiap cells.

2.2.7 Definisi Flowchart (Diagram Alir) Flowchart atau dalam bahasa Indonesia sering disebut dengan Diagram Alir ini dipergunakan dalam industri manufakturing untuk menggambarkan proses-proses operasionalnya sehingga mudah dipahami dan mudah dilihat berdasarkan urutan langkah dari suatu proses ke proses lainnya. Flowchart atau Diagram Alir sering digunakan untuk mendokumentasikan standar proses yang telah ada sehingga menjadi pedoman dalam menjalankan proses produksi.Disamping itu, Flowchart atau Diagram Alir ini juga digunakan untuk melakukan Analisis terhadap proses produksi sehingga dapat melakukan peningkatan atau perbaikan proses yang berkesinambungan (secara terus menerus). Pada dasarnya, Flowchart (Diagram Alir) adalah alat yang digunakan untuk melakukan Perencanaan Proses, Analisis

xxxii

Proses dan Mendokumentasikan Proses sebagai standar Pedoman Produksi. Flowchart (Diagram Alir) merupakan salah satu dari QC 7 Tools (7 alat Pengendalian Kualitas) yang diperkenalkan oleh Mr. Kaoru Ishikawa pada tahun 1968 bersamaan dengan alat-alat lainnya seperti Histogram, Pareto Chart, Scatter Diagram, Control Chart, Cause and Effect Diagram (Fishbone Chart) dan Check Sheet. Sebutan-sebutan lain untuk Flowchart (Diagram Alir) antara lain : Flow Diagram, Process Flowchart, Process Map, Work Flow Diagram dan Business Model. Flowchart (Diagram Alir) merupakan alat (tool) dasar dan mudah dipergunakan serta sangat bermanfaat bagi suatu perusahaan Manufakturing dalam mengidentifikasikan proses operasionalnya terutama untuk menjelaskan setiap langkah dalam menjalankan Proses Operasionalnya. Berikut ini adalah beberapa simbol yang digunakan dalam menggambar suatu flowchart : (Albert R. Roberts dan Gilbert .J , 2009 :494) Tabel 2.1 Flowchart (Diagram Alir)

Simbol

Nama TERMINATOR GARIS ALIR (FLOW LINE) PREPARATION

Fungsi Permulaan / akhir program Arah aliran program Proses inisialisasi/ pembrian nilai awal Proses

PROCESS

perhitungan/proses pengolahan data

INPUT/OUTPUT DATA

PREDFINED (SUB PROGRAM) DECISION

xxxiii

Proses input/output data, parameter, informasi Permulaan sub program/proses menjalankan sub program Perbandingan pernyataan,

penyeleksian data yang memberikan pilihan untuk langkah selanjutnya ON PAGE CONNECTOR

Penghubung bagianbagian flowchart yang berada pada satu halaman Penghubung bagian-

OFF PAGE

bagian flowchart yang

CONNECTOR

berada pada halaman berbeda

Flowchart terbagi atas lima jenis, yaitu :

a) Flowchart Sistem (System Flowchart) b) Flowchart Flowchart Dokumen (Document Flowchart) c) Flowchart Skematik (Schematic Flowchart) d) Flowchart Program (Program Flowchart) e) Flowchart Proses (Process Flowchart) a) Flowchart Sistem (System Flowchart) Flowchart Sistem merupakan bagan yang menunjukkan alur kerja atau apa yang sedang dikerjakan di dalam sistem secara keseluruhan dan menjelaskan urutan dari prosedur-prosedur yang ada di dalam sistem. Dengan kata lain, flowchart ini merupakan dekripsi

secara

grafik

dari urutan prosedur-prosedur

yang

terkombinasi yang membentuk suatu sistem. Flowchart Sistem terdiri dari data yang mengalir melalui sistem dan proses yang mentransformasikan data itu. Data dan proses dalam flowchart sistem dapat digambarkan secara online (dihubungkan langsung dengan komputer) atau offline (tidak dihubungkan langsung dengan komputer, misalnya mesin tik, cash register atau kalkulator). b) Flowchart Dokumen (Document Flowchart) Bagan alir dokumen (document flowchart) atau disebut juga bagan alir formulir (form flowchart) atau paperwork flowchart merupakan bagan alir yang xxxiv

menunjukkan arus dari laporan dan formulir termasuk tembusan-tembusannya. Bagan alir dokumen ini menggunakan simbol-simbol yang sama dengan yang digunakan di dalam bagan alir sistem. c) Flowchart Skematik (Schematic Flowchart) Bagan alir skematik (schematic flowchart) merupakan bagan alir yang mirip dengan bagan alir sistem, yaitu untuk menggambarkan prosedur di dalam sistem. Perbedaannya adalah, bagan alir skematik selain menggunakan simbol-simbol bagan alir sistem, juga menggunakan gambar-gambar komputer dan peralatan lainnya yang digunakan. Maksud penggunaan gambar-gambar ini adalah untuk memudahkan komunikasi kepada orang yang kurang paham dengan simbolsimbol bagan alir. Penggunaan gambar-gambar ini memudahkan untuk dipahami, tetapi sulit dan lama menggambarnya. d) Flowchart Program (Program Flowchart) Bagan alir program (program flowchart) merupakan bagan yang menjelaskan secara rinci langkah-langkah dari proses program. Bagan alir program dibuat dari derivikasi bagan alir sistem. Bagan alir program dapat terdiri dari dua macam, yaitu bagan alir logika program (program logic flowchart) dan bagan alir program komputer terinci (detailed computer program flowchart). Bagan alir logika program digunakan untuk menggambarkan tiap-tiap langkah di dalam program komputer secara logika. Bagan alir logika program ini dipersiapkan oleh analis sistem. e) Flowchart Proses (Process Flowchart) Flowchart Proses merupakan teknik penggambaran rekayasa industrial yang memecah dan menganalisis langkah-langkah selanjutnya dalam suatu prosedur atau sistem. Bagan alir proses menggunakan lima buah simbol tersendiri, flowchart Proses digunakan oleh perekayasa industrial dalam mempelajari dan mengembangkan proses-proses manufacturing. Dalam analisis sistem, flowchart ini digunakan secara efektif untuk menelusuri alur suatu laporan atau form.

xxxv

BAB III METEDOLOGI PENELITIAN 3.1

Metedologi Penelitian Metode penelitian pada dasarnya merupakan cara ilmiah untuk mendapatkan

data dengan tujuan dan kegunaan tertentu. Pada penelitian ini, peneliti menggunakan metode penelitian kualitatif, yang di mana penelitian ini berlandaskan pada filsafat positivisme yang digunakan untuk meneliti pada kondisi objek yang alamiah. Dalam metode kualitatif, realitas dipandang sebagai sesuatu yang holistik, komplek, dinamis, dan penuh makna, sehingga permasalahan belum jelas. Hal ini menyebabkan proposal penelitian yang dibuat masih bersifat sementara dan akan berkembang setelah peneliti memasuki objek penelitian. Dalam suatu penelitian diperlukan penyelidikan yang hati-hati, teratur dan terus menerus untuk mengetahui bagaimana seharusnya langkah penelitian harus dilakukan dengan mengunakan metode penelitian. Pengertian metode penelitian menurut Sugiyono yaitu: “Metode penelitian adalah cara ilmiah untuk mendapatkan data yang valid dengan tujuan dapat ditemukan, dibuktikan, dan dikembangkan suatu pengetahuan sehingga pada gilirannya dapat digunakan untuk memahami, memecahkan, dan mengantisipasi masalah (Sugiyono, 2014). 3.1.1.

Jenis Metode Penelitian Jenis metode penelitian yang digunakan pada penelitian ilmiah ini adalah

jenis metode penelitian kualitatif. Metode penelitian kualitatif adalah penelitian deskriptif dan mengembangkan niche menggunakan analisis. Proses dan makna (perspektif subjek) disorot dalam penelitian kualitatif. Teori dasar yang digunakan sebagai panduan untuk fokus penelitian sesuai dengan fakta di lapangan. Selain teori dasar juga berguna untuk memberikan gambaran tentang latar belakang penelitian dan pembahasan hasil penelitian. (Sugiyono, 2014) 3.2.

Metode Pengumpulan Data Metode yang digunakan dalam pengumpulan dalam penelitian ilmiah ini

adalah dengan melakukan Studi Pustaka (Library Research) dan Studi Lapangan (Field Research).

xxxvi

3.2.1. Studi Pustaka (Library Research) Studi kepustakaan adalah teknik pengumpulan data dengan mengadakan studi penelaahan terhadap buku-buku, literatur-literatur, catatan-catatan, dan laporan-laporan yang ada hubungannya dengan masalah yang dipecahkan.

(Nazir,

1998:

111).

Metode

ini

dilakukan

untuk

mengumpulkan data melalui panduan-panduan buku referensi dan literature lain yang berhubungan dengan pengetahuan teoritis mengenai masalah yang sedang diteliti. Yang kemudian dijadikan data untuk diolah lebih lanjut. 3.2.2. Studi Lapangan (Field Research) Studi lapangan yang dilakukan dengan mengadakan penelitian secara langsung pada objek yang akan diteliti, dalam hal ini adalah sistem pendeteksian pola wajah.(Fenty, 2007). Adapun metode yang dilakukan dalam studi lapangan adalah sebagai berikut :

a. Observasi Observasi dilakukan untuk mengumpulkan data dengan cara melalui pengamatan langsung pada objek penelitian yaitu sistem pendeteksian wajah dengan menggunakan metode Viola Jones, hal tersebut dilakukan guna mendapatkan gambaran secara menyeluruh dan jelas mengenai sistem. b. Kepustakaan Untuk

mendukung

proses

penelitian

ini

peneliti

melakukan

pengumpulan data melalui buku referensi atau literature lain yang berkaitan dengan penelitian peneliti. Metode kepustakaan merupakan metode penelitian yang dilakukan dengan cara mempelajari sumbersumber tertulis, seperti buku-buku, dan bahan tertulis lainnya yang berhubungan dengan masalah yang diteliti. 3.3

Analisis Kebutuhan Fungsional

Analisis kebutuhan fungsional dilakukan untuk mengetahui spesifikasi fungsi yang mampu dilakukan oleh sistem. Analisis kebutuhan adalah kebutuhan yang

xxxvii

berasal dari pemangku kepentingan (Stakeholders) termasuk fungsi dan fitur dari sebuah sistem. Aplikasi deteksi objek berbasis Histogram Of Oriented Gradient ini memiliki beberapa kemampuan yaitu : a. Pendeteksian objek dapat dilakukan dengan banyak objek atau multidetect, yaitu user membuat data training sesuai data objek yang akan dilakukan pendeteksian atau dalam proses ini disebut dengan akuisisi citra, kemudian aplikasi akan melakukukan proses sesuai tahapan dalam algoritma Histogram Of Oriented Gradient dalam tahapan ini yang pertama adalah normalisasi warna yaitu proses mengkonvert citra colour enjadi citra grayscale, kemudian Gradient Compute yaitu proses menghitung nilai gradient setiap piksel dalam gambar, proses selanjutnya Spatial Orientation Binning yaitu proses dimana setiap cells dalam gambar akan dibuat histogram. Dalam pembuatan histogramnya diperlukan adanya bin untuk mengetahui nilai gradiennya. Bin akan ditentukan sendiri oleh pengguna. Dalam penelitian sebelumnya bin yang digunakan adalah 4 bin orientation, dalam normalisasi block ini terdapat dua geometri block utama yaitu block

persegi panjang R-HOG dan

melingkar C-HOG akan tetapi dalam penelitian ini yang akan digunakan adalah geometri R-HOG, hasil akhir dalam normalisasi block ini yaitu fitur, tahap selanjutnya adalah Detector Windows merupakan windows atau jendela berukuran 64 x 128 yang digunakan untuk jendela pendeteksian. Jendela pendeteksian ini terdiri dari 8 x 8 piksel dalam tiap cells. b. Aplikasi akan mengirim data berupa nilai vektor ke server modul robot sesuai channel atau alamat server setiap modul, setelah data berhasil terkirim maka selanjutnya akan diproses dalam modul Artificial Intelegence robot untuk kemudian nilai tersebut di eksekusi sebagai command atau perintah oleh robot NAO.

3.4

Analisa Kebutuhan Non-Fungsional

Kebutuhan non-fungsional adalah kebutuhan yang mendeskripsikan tingkat kualitas sebuah sistem.

xxxviii

Aplikasi deteksi objek untuk modul sistem cerdas robot NAO ini memiliki tingka kualitas yang dapat dinilai dari beberapa aspek seperti : a. Keakuratan deteksi objek mempunyai tingkat keakuratan yang cukup baik, karena : 1) Prinsip kerja HOG ialah menghitung nilai dan arah (vektor) gradien dalam daerah tertentu, sehingga akan tampak karakteristik distribusi gradien pada suatu gambar. Karakeristik distribusi gradien inilah yang akan menggambarkan bagaimana bentuk suatu objek pada gambar, lalu akan ditentukan seberapa dekat kemiripan bentuk dari objek pada gambar tersebut terhadap objek yang ingin dideteksi. 2) Pengklasifikasian menggunakan Support Vector Machine dimana pada algoritma ini memilih hyperplane terbaik pada setiap piksel. b. Kehandalan, dari tingkat kehandalan aplikasi deteksi objek ini mampu mendeteksi objek dengan berbagai sisi atau posisi karena menggunakan data training yang diambil dengan beberapa ketentuan seperti posisi, pencahayaan, dan rotasi.

3.4.1 Analisis Perangkat Keras (Hardware) Komputer merupakan salah satu peralatan teknologi informasi. Pada awalnya komputer memang digunakan sebagai mesin hitung yang cepat dan dapat meng input data yang akan diproses sehingga dapat mengeluarkan output yang disebut informasi. Namun seiring perkembangan teknologi, komputer telah menjadi alat pengolahan data yang serba guna. Komputer dapat digunakan untuk mengolah data menjadi informasi, sistem komputer membutuhkan tiga komponen, yaitu perangkat keras (Hardware), perangkat lunak (Software), perangkat akal (Brainware) (Nasution, 2004). Pada penelitian ini dibutuhkan komponenkomponen komputer yang dapat menunjang dalam perancangan Aplikasi Deteksi Objek. Perangkat keras yang dapat digunakan dalam perancangan Aplikasi Deteksi Objek minimal mempunyai spesifikasi sebagai berikut: a. Perangkat keras dalam implementasi 1) Komputer Pentium 4

xxxix

2) RAM 256 MB 3) Hardisk 80 GB 4) Koneksi jaringan komputer lokal atau internet 5) b. Perangkat keras dalam perancangan Aplikasi 1) Komputer Pentium 4 2) RAM 256 MB 3) Hardisk 80 GB 3.4.2 Analisis Kebutuhan Perangkat Lunak (Software) Komponen yang tidak kalah penting selain perangkat keras adalah perangkat lunak, karena kedua komponen tersebut saling ketergantungan. Perangkat keras tidak akan berarti tanpa perangkat lunak begitu juga sebaliknya. Jadi perangkat lunak dan perangkat keras saling mendukung satu samalain. Perangkat

keras

hanya

berfungsi

jika

diberikan

instruksi-intruksi

kepadanya.Instruksi-instruksi inilah disebut dengan perangkat lunak. Perangkat lunak yang dapat digunakan dalam perancangan Aplikasi Deteksi Objek minimal mempunyai spesifikasi sebagai berikut: a. Perangkat lunak dalam implementasi : 1) Sistem Operasi Windows atau Linux 2) Kabel LAN b. Perangkat lunak dalam perancangan Aplikasi : Microsoft Visual Studio C# 2010

3.5

Analisis Pengguna Pengguna dari perangkat lunak yang akan dikembangkan ini terdiri dari

user, untuk lebih jelasnya lihat tabel dihalaman berikut ini : Tabel 3.1 Karakteristik Pengguna

Pengguna User

Aktifitas Melakukan akuisisi citra, melakukan training data

xl

3.6

Flowchart (Diagram Alir) Untuk mendapatkan banyak pandangan terhadap aplikasi yang akan

dikembangkan, pada penelitian ini menggunakan Flowchart sebagai diagram alir yang menunjukkan berbagai aspek dalam sistem. 1) Flowchart (Alir Diagram) Sisi User a) Proses Akuisisi Citra

Akuisisi Citra START

Training Data Objek+Akuisisi Citra

Deteksi Objek

END

Gambar 3.1 Flowchart Proses Akuisisi Citra

Gambar flowchart diatas menjelaskan tentang proses ketika user melakukan akuisisi citra, pada tahap pertama user melakukan input data training sesuai dengan data objek yang akan dilakukan pendeteksian dan melakukan input gambar atau akuisisi citra dengan cara meletakkan gambar atau objek di depan

xli

kamera robot NAO, kemudian tahap berikutnya objek akan di deteksi menggunakan aplikasi deteksi objek. b) Proses Pendeteksian Objek

Deteksi Objek B

START

Klasifikasi Objek dengan Support Vector Machine

Akuisisi Citra

Normalisasi Warna

Pendeteksian Objek

Menghitung Gradien END Normalisasi Warna

Spatial Orientation Binning

Normalisasi Blok

Proses Pendeteksian Setiap Piksel Pada Window

A

xlii

Gambar 3.2 Flowchart Proses Pendeteksian Objek Menggunakan Histogram Of Oriented Gradient

Gambar diatas menjelaskan proses pendeteksian objek menggunakan algoritma Feature Descriptor Histogram Of Iriented Gradient, tahap pertama yaitu akuisisi citra yaitu proses penginputan citra atau data objek yang akan dideteksi dalam hal ini user meletakan objek di depan kamera robot NAO, proses selanjutnya adalah Normalisasi Warna yaitu proses merubah citra asli menjadi citra grayscale dengan perhitungan (RUMUS), proses selanjutnya menghitung gradient yaitu proses menghitung nilai gradien setiap piksel dalam gambar, proses selanjutnya Spatial Orientation Binning yaitu proses menjadikan setiap cells dalam gambar menjadi histogram dalam pembuatan histogramnya diperlukan adanya bin untuk mengetahui nilai gradiennya, proses selanjutnya Normalisasi Block dalam tahap ini biasanya terjadi tumpang tindih karena setiap cells kontribusi nilai lebih dari sekali dan hasil akhirnya yaitu berupa fitur dari objek yang di deteksi, proses selanjutnya

Pendeteksian

Windows

(Detector

Windows)

yaitu

proses

penyeleksian fitur objek sesuai data training objek yang dilakukan pendeteksian dilakukan per piksel dalam gambar, proses selanjutnya aalah pengklasifikasi objek menggunakan Support Vector Machine dimana pada proses ini mencari hyperplane terbaik dari objek tersebut untuk kemudian objek akan dibedakan, proses selanjutnya adalah pendeteksian objek yaitu proses deteksi objek sesuai dengan yang ada dalam data training.

2) Flowchart (Alir Diagram) Sisi Robot a) Proses Pengiriman Data ke Server Modul Robot

Proses Pengiriman Data ke Server Robot

START xliii

Pengiriman Nilai Vektor Objek

Server Listening Data

Channel Modul Visual

Server Listening Data

Channel Modul Artificial Intelegence

Server Listening Data

Pengiriman Command

END Gambar 3.3 Flowchart Pengiriman Data ke Server Modul

Gambar diatas menjelaskan proses pengiriman data ke server modul, dimana proses yang pertama yaitu komputer client mengirimkan data ke server sesuai modul yang akan dituju, pengiriman data nilai vektor, proses selanjutnya Server Listening Data yaitu proses dimana server menandai bahwa modul siap menerima data dari komputer client, proses selanjutnya yaitu data akan dipilah atau dilakukan filter data sesuai modul yang dituju oleh komputer client misalnya

xliv

adalah modul visual, proses selanjutnya server melakukan Listening kembali, proses selanjutnya data dari modul visual akan dikirimkan ke modul Artificial Intelegence (AI) modul ini bertugas sebagai pusat pangkalan data dari komputer client yang akan di eksekusi berupa command yang nantinya akan dikirimkan langsung ke robot NAO melalui IP robot, proses selanjtnya adalah pengiriman data berupa command ke robot NAO. 3) Flowchart (Alir Diagram) Kinerja Modul Sistem

User

START

Trainiing Data + Akuisisi Citra

Server

Server Listening Data

Terima Data Vektor

Pendeteksian Objek

xlv

Robot NAO

Server Listening Data

Menerima Data Command

Pengiriman Nilai Vektor

Pengiriman Data ke Modul AI

Menjalankan Command

Server Listening Data

Menerima Data Vektor

Pengiriman Command ke Robot NAO

Gambar 3.4 Flowchart Kinerja Sistem

Gambar diatas menjelaskan proses kinerja sistem dimana tahap pertama adalah user melakukan training training data dan melakukan akuisisi citra pada dengan cara meletakkan objek yang akan dilakukan pendeteksian di depan kamera robot, proses selanjutnya objek akan di deteksi dengan Aplikasi Deteksi Objek menggunakan Algoritma Feature Descriptor Histogram Of Oriented Gradient, kemudian tahap selanjutnya hasil deteksi objek berupa nilai vektor yang kemudian dikirimkan ke server melalui channel tujuan yaitu dalam hal ini adalah channel modul visual, tahap berikutnya server melakukan listening data dan tahap selanjutnya server menerima data vektor dari komputer client, tahap berikutnya pengiriman data dari server modul visual ke server modul Artificial Intelegence (AI), kemudian data diterima oleh server modul AI, kemudian data akan dikirimkan ke Robot NAO melalui IP Address robot berupa data command hasil eksekusi nilai vektor, gtahap terakhr robot melakukan listening data dan kemudian menerima data command untuk kemudian Robot NAO menjalankan command sesuai yang dikirimkan oleh server modul Artificial Intelegence (AI).

xlvi

3.7

Perancangan Aplikasi Deteksi Objek Tampilan perancangan aplikasi deteksi objek untuk modul sistem cerdas

pada Robot NAO menggunakan algoritma Histogram of Oriented Gradient dengan bahasa pemrograman C#.

Gambar 3.5 Rancangan Aplikasi deteksi Objek

Gambar diatas adalah rancangan dari aplikasi deteksi objek menggunakan algoritma Feature Descriptor Histogram of Oriented Gradient, terdapat beberapa fitur dalam aplikasi, yaitu : Top Camera, Bottom Camera, tombol START, tombol CAPTURE TOP, tombol CAPTURE BOTTOM. Pada fitur Top Camera ini berfungsi menampilkan kamera pada bagian atas Robot NAO, fitur Bottom Camera berfungsi untuk menampilkan kamera pada bagian bawah Robot NAO, tombol START berfungsi sebagai mengkoneksikan semua kamera bagian atas dan bawah pada Robot NAO, tombol CAPTURE TOP berfungsi untuk capture gambar pada kamera bagian atas, dan tombol CAPTURE BOTTOM berfungsi untuk capture gambar kamera pada bagian bawah.

xlvii

BAB IV HASIL DAN PEMBAHASAN 4.1

Perancangan Aplikasi Deteksi Objek Untuk Modul Sistem Cerdas Pada Robot NAO Penerapan aplikasi deteksi objek untuk modul sistem cerdas pada Robot

NAO di lakukan karena minimnya pengolahan informasi dari pendeteksian objek untuk pengembangan machine perception, maka dari itu penulis menerapkan aplikasi deteksi objek ini pada modul sistem cerdas Robot NAO yang dilakukan di Laboratorium Sistem Kendali Kontrol Institut Teknologi Bandung. 4.1.1 Sejarah Singkat Laboratorium Sistem Kendali Kontrol Institut Teknologi Bandung LSKK berdiri sejak tahun 1965 yang bekerja dalam bidang pendidikan, penelitian & pengembangan serta dukungan profesional dalam kerangka Institut Teknologi Bandung. Saat ini, LSKK beranggotakan sebanyak 16 orang staf dari dua Kelompok Keahlian, yaitu KK Teknik Komputer & KK Kendali & Sistem Komputer. 4.2

Pembahasan 4.2.1

Microsoft Visual Studio

Microsoft Visual Studio merupakan sebuah perangkat lunak lengkap (suite) yang dapat digunakan untuk melakukan pengembangan aplikasi, baik itu aplikasi bisnis, aplikasi personal, ataupun komponen aplikasinya, dalam bentuk

xlviii

aplikasi console, aplikasi Windows, ataupun aplikasi Web. Visual Studio mencakup kompiler, SDK, Integrated Development Environment (IDE), dan dokumentasi (umumnya berupa MSDN Library). Kompiler yang dimasukkan ke dalam

paket

Visual

Studio

antara

lain Visual

C++, Visual

C#, Visual

Basic, Visual Basic .NET, Visual InterDev,Visual J++, Visual J#, Visual FoxPro, dan Visual SourceSafe. Saat ini Microsoft Visual Studio terbaru adalah versi 2015, versi ini hanya bisa berjalan di windows 2010. 4.2.2

Robot NAO

NAO adalah robot humanoid berukuran sedang yang otonom dan dapat diprogram, yang dikembangkan oleh Aldebaran Robotics, sebuah perusahaan startup dari Perancis yang berkantor pusat di Paris. Proyek Nao diluncurkan pada tahun 2004. Pada tanggal 15 Agustus 2007 Nao menggantikan robot anjing milik Sony yaitu Aibo sebagai robot yang digunakan dalam kompetisi Liga Platform Standar (LPS) pada Piala dunia sepak bola robot (Robo Cup), suatu kompetisi robotika

internasional.

(http://doc.aldebaran.com/2-1/news/index.html,

09

Desember 2015) 4.2.3

Antar Muka

GUI (Graphical User Interface) merupakan antar muka pengguna suatu program berbasis grafis, yakni perintah-perintah tidak diketik melalui keyboard, berikut adalah beberapa tampilan antar pengguna untuk berinteraksi dengan Aplikasi Deteksi Objek untuk modul cerdas pada Robot NAO menggunakan algoritma Feature Descriptor Histogram of Oriented Gradient

xlix

Gambar 4.1 Tampilan Aplikasi Deteksi Objek

Gambar diatas adalah tampilan aplikasi deteksi objek menggunakan algoritma Histogram of Oriented Gradient, algoritma ini mempunyai beberapa tahapan dalam proses pendeteksian, yaitu : Akuisisi Citra, Normalisasi Warna, Gradient Compute, Spatial Orientation Binning, Normalization Block, Detector Windows, Klasifikasi Linear Support Vector Machine. 4.2.3.1 Akuisisi Citra Akuisisi citra adalah tahap awal untuk mendapatkan citra digital. Tujuan akuisisi citra adalah untuk menentukan data yang diperlukan dan memilih metode perekaman citra digital. Tahap ini dimulai dari objek yang akan diambil gambarnya, persiapan alat-alat, sampai pada pencitraan. Pencitraan adalah kegiatan

transformasi

dari

citra

tampak(foto,

gambar,

lukisan,

patung,pemandangan dan lain-lain) menjadi citra digital. Beberapa alat yang dapat digunakan untuk pencitraan adalah : a) Vidoe kamera b) Kamera digital c) Kamera konvensional dan converter analog to digital d) Scanner e) Photo sinar-X / infra merah l

Pada penelitian ini akuisisi citradalam pendeteksian objek menggunakan video kamera dari Robot NAO

Gambar 4.2 Proses Akuisisi Citra Dari Kamera Robot NAO

Gambar diatas adalah proses akuisisi citra yang diambil dari kamera pada robot NAO, gambar dikirimkan melalui channel pada server moul visual sehingga gambar dapat ditampilkan pada komputer client 1.1

Data Akuisisi Citra Positif

Akuisisi citra positif merupakan data training objek yang akan di deteksi, berikut adalah data training positif :

Gambar 4.5 Data Training Akuisisi Citra Positif

li

Gambar diatas adalah data training objek positif yang akan dilakukan proses pendeteksian menggunakan algoritma Feature Descriptor yang akan diterapkan pada aplikasi deteksi objek untuk modul sistem cerdas pada Robot NAO dalam mempersepsikan suatu ruangan. 1.2

Data Training Akuisisi Citra Negatif

Akuisisi citra negatif merupakan data training objek yang tidak di deteksi, berikut adalah data training negatif :

Gambar 4.6 Data Training Akuisisi Citra Negatif

Gambar diatas adalah data training objek positif yang akan dilakukan proses pendeteksian menggunakan algoritma Feature Descriptor Histogram of Oriented Gradient yang akan diterapkan pada aplikasi deteksi objek untuk modul sistem cerdas pada Robot NAO dalam mempersepsikan suatu ruangan. 4.2.3.2 Normalisasi Warna Pada tahapan ini adalah proses merubah gambar asli menjadi gambar grayscale .Proses ini dapat dilakukan dengan cara mengambil semua piksel pada gambar kemudian warna tiap piksel akan diambil informasi mengenai 3 warna dasar yaitu merah, biru dan hijau (melalui fungsi warna RGB), ketiga warna dasar ini akan dijumlahkan kemudian dibagi tiga sehingga didapat nilai rata-rata. Nilai rata-rata inilah yang akan dipakai untuk memberikan warna pada piksel gambar sehingga warna menjadi grayscale, tiga warna dasar dari sebuah piksel

lii

akan diatur menjadi nilai rata-rata (melalui fungsi RGB), untuk mendapatkan nilai grayscale dapat ditemukan dengan ketentuan sebagai berikut : 𝑓𝑖𝑅 𝑥, 𝑦 + 𝑓𝑖𝐺 𝑥, 𝑦 + 𝑓𝑖𝐵 (𝑥, 𝑦) 𝑓0 𝑥, 𝑦 = 3 2.1 Proses merubah gambar asli menjadi gambar grayscale

Gambar 4.7 Gambar Asli Beberapa Objek Yang Akan Di Lakukan Pendeteksian

Gambar 4.8 Hasil Gambar Grayscale Beberapa Objek Yang Akan Di Lakukan Pendeteksian

4.2.33 Menghitung Nilai Gradient (Gradient Compute) Menghitung Nilai Gradient (Gradient Compute) merupakan proses setelah konversi citra. Gradien merupakan hasil pengukuran perubahan dalam sebuah fungsi intensitas, dan sebuah citra dapat dipandang sebagai kumpulan beberapa fungsi intensitas kontinyu dari citra. Proses ini digunakan untuk mendapatkan garis tepi pada objek dalam citra. Gradien dari suatu gambar dapat diperoleh dengan penyaringan dengan filter 2 dimensi yaitu filter vertikal dan horisontal. Yang pertama dilakukan adalah gambar dikonversi dalam bentuk grayscale untuk liii

menghindari keharusan untuk mempertimbangkan kontribusi intensitas yang berbeda untuk setiap bidang warna (RGB). Metode yang biasa digunakan adalah 1-D centered, dengan matriks seperti berikut:

[-1,0,1]

1) Menggunakan rumus derivatif parsial untuk fungsi imag f(x,y) : a) Untuk sumbu x : b) Untuk sumbu y :

2) Akan diperoleh nilai x dan y yang digunakan untuk menghitung gradient : a) Magnitude (besar gradient) : 𝑅

=

b) Orientasi gradient (dalam sudut) : 𝜃

𝑥 2 + 𝑦2 = 𝑎𝑟𝑐 tan

`

Gambar 4.9 Nilai Sel Dalam Gambar

liv

𝑦 𝑥

Gambar diatas adalah tampak nilai sel dalam gambar, setiap sel terdiri dari 8X8 px. 3) Proses perhitungan gradient menggunakan konvolusi metode 1-D centered

Filter mask = -1 0 1 untuk Dx (-1 0 1)T untuk Dy Dx

= -150 + 173 = 23

Dy

= -92 + 175 = 83

Magnitude → |∇𝑓| =

𝐷𝑥 2 + 𝐷𝑦 2 = 86,12

Orientation → 𝜃 = arctan

D𝑥 Dy

≈ 150

(a)

(b)

Gambar 4.10 (a) citra grayscale (b) citra hasil perhitungan gradient

Gambar diatas adalah citra grayscale dan citra hasil perhitungan dari gradient

4.2.3.4 Menentukan Bin Orientasi (Spatial Orientation Binning) Pada proses ini menghasilkan pengkodean yang sensitif terhadap konten gambar lokal, namun tetap tahan terhadap perubahan kecil dalam pose dan

lv

penampilan. Gambar dibagi menjadi beberapa daerah dengan ruang kecil yang disebut sel. Untuk setiap sel akan diakumulasikan histogram 1-D lokal atau orientasi tepi pada semua pixel dalam sel. Kombinasi cell-level histogram 1-D membentuk representasi histogram orientasi dasar. Setiap histogram orientasi membagi berbagai sudut gradient menjadi angka tetap dalam bins yang telah ditentukan. Besarnya gradient dari pixel dalam sel digunakan untuk vote ke dalam histogram orientasi. Misalnya akan dibangun histogram yang didistribusikan melalui 0°-180° dengan sejumlah channel sama dengan 9, maka untuk pemberian vote dalam histogram adalah sebagai berikut:

a) Semua gradient dengan besar sudut [0°-20°] memberikan vote untuk channel 1. b) Semua gradient dengan besar sudut [20°-40°] memberikan vote untuk channel 2. c) Dan seterusnya.

(a)

(b)

Gambar 4.11 (a) Sudut Gradient, (b) Grafik Histogram Pada Sel

Gambar (a) adalah sudut gradient arah pencahayaan yang terdapat pada suatu citra, gambar (b) adalah grafik Histogram pada setiap sel dalam citra, setiap histogram orientasi membagi berbagai sudut gradient menjadi angka tetap dalam bins yang telah ditentukan. Besarnya gradient dari pixel dalam sel digunakan untuk vote ke dalam histogram orientasi. berikut adalah proses perhitungan menentukan orientasi binnig (Spatial Orientation Binning) pada citra kursi : Orientation = 70 o

lvi

Orientation = 70 o Orientation = 15 o Magnitude = 35 Magnitude = 20 Magnitude = 86,1 30 − 15 ∗ 86 = 64,5 𝑏𝑖𝑛 10𝑜 20 15 − 10 ∗ 86 = 21,5 𝑏𝑖𝑛 30𝑜 20

(a)

(b)

(c)

Gambar 4.12 (a) Citra Grayscale, (b) Nilai Histogram, (c) Magnitude, (d) Visualisasi Fitur Histogram of Oriented Gradient

lvii

4.2.3.5 Normalisasi Blok Pada saat proses Compute Gradient di peroleh nilai gradien yang berbeda-beda. Sehingga perlu pengelompokkan tiap cells dalam cells perlu dikelompokkan lagi menjadi kelompok yang lebih besar yang disebut block. Sedangkan setelah pengelompokkan menjadi block, block ini biasanya terjadi overlap atau tumpang tindih. Dalam normalisasi block ini menggunakan geometri block persegi R-HOG. Proses ini untuk merupakan proses akhir dari metode HOG yang menghasilkan fitur. Proses ini dilakukan saat proses detector windows seperti pada proses menghitung bin orientasi bin. Ukuran detector windows yang digunakan adalah 64x128 yang terdiri dari 8x8 piksel. Menghitung normalisasi blok yaitu mengambil kelompok sel dan menormalisasi respon kontras secara keseluruhan. Hal ini dilakukan dengan mengakumulasikan ukuran histogram dari grup sel yang disebut blok. Hasilnya akan digunakan untuk menormalisasi setiap sel dalam blok , berikut adalah penghitungan histogram dalam blok : 1) 2)

yaitu L1 -norm yang diikuti akar kuadrat, jumlah untuk memperlakukan vector descriptor sebagai distribusi peluang. 3) AAA 4) , L2 -norm diikuti oleh clipping (dibatasi nilai maksimum sampaiu) dan renormalizing dimana merupakan vector yang tidak dinormalisasi. Standar ke-k dan sebuah konstanta kecil. 1) Descriptor Windows Pada proses ini adalah mengumpulkan descriptor dari semua blok yang merupakan overlapping grid yang mencangkup deection window ke alam feature vector gabungan untuk digunakan dalam classifier, yang digunakan sebagai descriptor

parameter

series

adalah

R-HOG.

Deskriptor

blok

R-HOG

menggunakan sel berbentuk grid persegi atau persegi panjang yang overlap. RHOG menghitung grid (yang menefinisikan angka sel paa tiap blok) dari pixel sel yang masing-masing mengandung bins, dimana tahapan ini adalah parameter.

lviii

Gambar 4.13 R-HOG Sel

Jadi apabila dengan asumsi memiliki : 1) Ukuran Jendela 2) Sel-sel piksel (tital R-HOG sel) 3) Blok sel tanpa overlap (sebanyak 7 blok) Maka akan diperoleh descriptor akhir ukuran : (7 X 15) X (2 X 2) X 9 = 3780

4.2.3.6 Linear Support Vector Machine (SVM) Classifier Support Vector Machine (SVM) merupakan metode learning machine yang bekerja atas pronsip Strucrural Risk Minimization (SRM) dengan tujuan menemukan hyperplane terbaik yang memisahkan dua buah class (kategori) pada input space. Prinsip dasar Support Vector Machine adalah linear classifier, dan sedang dikembangkan agar dapat bekerja pada non-linear. Untuk mengecek apakah dalam window tersebut terdapat objek yang akan dideteksi atau tidak, digunakan SVM Classifier untuk memisahkan human dan non-human atau dalam penelitian ini adalah pendeteksian objek. Pada SVM Classifier dan algoritma klasifikasi yang berusaha memisahkan sebuah hyperplan optimal (Cristianini & Shawe-Taylor, 2000)

lix

(a)

(b)

Gambar 4.14 SVM dalam upayanya mencari hyperlane terbaik untuk memisahkan class -1 dan +1

Gambar diatas menunjukkan ada beberapa pattern yang merupakan anggota dari dua buah class +1 dan -1. Problem klasifikasi dapat diterjemahkan dengan usaha menemukan garis (hyperlane) yang memisahkan kedua class tersebut. Feature HOG juga dipakai sebagai input dari learning SVM. Feature HOG dirubah kedalam feature vector dengan ukuran 4608x1. Ukuran feature vector dihasilkan dari perkalian dari ukuran block (2x2 cell) , jumlah bin 9, dan banyaknya block yang terbentuk dari image dengan ukuran 128x64. Feature vector inilah yang dipakai sebagai input untuk proses learning SVM.

4.3

Pengujian Black Box Pengujian Selanjutnya dilakukan untuk memastikan bahwa suatu event

atau masukan akan menjalankan proses yang tepat dan menghasilkan output yang sesuai dengan rancangan. Untuk contoh pengujian terhadap beberapa perintah sebagai berikut :

Tabel 4.1 Halaman Utama Aplikasi

No 1

Input Tombol START

2

Tombol Capture TOP

Output Action Mengkoneksikan Klik dengan kamera Robot NAO Mengambil KLIK capture hambar pada kamera bagian atas pada Robot NAO

lx

Hasil Sukses

Sukses

3

Tombol Capture BOTTOM

Mengambil capture hambar pada kamera bagian bawah pada Robot NAO

KLIK

Sukses

Dari hasil pengujian dapat disimpulkan untuk pengujian black box yang meliputi pengujian beberapa input, proses dan output dengan acuan rancangan perangkat lunak telah terpenuhi dengan hasil sesuai dengan rancangan. 4.4

Pengujian White Box Pengujian white box digunakan untuk menguji hal-hal yang berkaitan

dengan logika internal dan struktur kode. Pada pengujian ini di uji dengan rumus sebagai berikut: Cyclomatic Complexcity V(G) = E – N + 2 Keterangan : E = Path / Jalur N = Node Berikut ini adalah pengujian white box pada Aplikasi Deteksi Objek. Flowchart Aplikasi deteksi objek untuk modul sistem cerdas pada robot NAO. 4.4.1 Flowchart Halaman Utama Aplikasi

lxi

Gambar 4.15 Flowchart Halaman Utama Aplikasi

4.4.2

Flowgraph Halaman Utama Aplikasi

lxii

Gambar 4.16 Flowgraph Halaman Utama Aplikasi

4.4.3 Path Linear Halaman Utama Aplikasi Basis set yang dihasilkan dari jalur independent secara linier adalah jalur sebagai berikut : a. 1 – 2 – 3 – 4 – 5 - 6 b. 1 – 2 – 3 – 7 – 2 – 3 – 4 – 5 - 6 c. 1 – 2 – 3 - 4 – 8 – 2 -3 – 4 – 5 – 6 d. 1 -2 – 3 – 4 – 5 – 9 – 2 – 3 – 4 – 5 – 6 4.4.4

Cyclomatic Compexcity User

V (G) = E – N + 2 V (G) = 12 – 9 + 2 V (G) = 5

35 30 25 20 15 10 5 0

E N V(G)

E

N

V(G)

Gambar 4.16 Grafik Flowgraph Halaman Aplikasi Deteksi Objek

lxiii

4.5

Hasil Keakurasian Deteksi Objek Pada Aplikasi Deteksi Objek Menggunakan Algoritma Feature Descriptor Histogram of Oriented Gradient Dalam proses learning pada SVM dilakukan 2 tahap, yaitu training data dan

tes model. Pada training data, feature HOG dari image positif diberi label +1 yang menandakan bahwa image yang dilatih merupakan feature image positif dan feature image negatif diberi label -1 yang menandakan image yang dilatih merupakan feature image negatif. Training SVM ini menghasilkan sebuah model yang akan dites dengan menggunakan classify SVM, berikut adalah proses learning dalam Support Vector Machine : a) Data Set Data set merupakan komponen yang dibutuhkan untuk data learning dengan menggunakan SVM. Data learning yang dibutuhkan berupa training data positif yaitu data yang berisi obyek mobil, training data negatif yang berisi obyek bukan mobil (background), data tes positif, data tes negatif, serta image yang akan dideteksi. Image yang dipakai semuanya berukuran 64x128, kecuali image yang akan dideteksi, memiliki ukuran 680x480, lebih besar dari image training dan image tes. Beikut adalah data image yang akan di deteksi :

a) 4 data citra positif untuk kursi b) 4 data citra positif untuk monitor c) 4 citra data positif untuk ember d) 4 citra data positif untuk meja

Untuk image negatif didapatkan dengan crop image acak dengan ukuran 64x128. Banyaknya image negatif yang digunakan adalah sebagai berikut :

a) 36 training citra negatif b) 36 testing citra negatif

lxiv

Secara keseluruhan komposisi image data set ditunjukkan pada table berikut Tabel 4.2 Data Image Test Dalam Pengujian Data Training

Image Positif Training Image Test Image 16 16

Image Negatif Training Image Test Image 36 36

b) Testing Model Testing image merupakan pengujian model hasil learning untuk diketahui tingkat akurasi model dalam mengenali image tes. Image tes memiliki besar piksel yang sama dengan data training , namun memiliki variasi image yang berbeda. Dari gambar 8, sebelum melakukan testing model terlebih dilakukan ekstraksi feature HOG dari image yang dites. Selanjutnya feature tersebut dirubah kedalam bentuk feature vector yang ukurannya sama dengan feature vector data training yaitu 4608x1. Feature vector dari image positif digabung dengan feature vector image negatif yang menghasilkan sebuah feature tes. Feature vector dari image tes ini diklasifikasikan menggunakan classify SVM dengan model training sebagai acuannya. Dari tes ini diketahui banyaknya image yang berhasil dideteksi sesuai dengan class yang ditentukan sebelumnya (image positif dideteksi sebagai image positif, image negatif dideteksi sebagai image negatif) dan juga diketahui banyaknya image yang tidak berhasil dideteksi sesuai dengan class yang ditentukan. c) Deteksi Objek

Proses deteksi dilakukan dengan melakukan filtering pada image yang dideteksi dengan model (svmModel) sebagai filter, yaitu dengan cara menggerakkan model dari pojok kiri atas dari image yang dideteksi sampai pojok kanan bawah. Apabila dalam proses fiter terdapat feature HOG yang bobotnya (weight ) diatas nilai threshold yang ditentukan maka feature tersebut dideteksi sebagai image positif dengan memberi kotak pada bagian tersebut. Namun apabila bobot feature yang dideteksi dibawah nilai threshold yang ditentukan maka feature tersebut danggap sebagai image negatif.

Image Test lxv

Feture Vector

Feature Test

Classify SVM

Positive True image,

Positive True image,

negative true image

negative true image

Gambar 4.15 Testing Image

SVM Model

(a)

(b)

SVM Model lxvi

(c)

(d)

SVM Model

(e)

(f)

SVM Model

(g)

(h)

Gambar 4.16 Proses Pendeteksian Objek

Pada pengujian ini, jumlah training data yang digunakan dibuat berbedabeda. Hasil training disimpan dalam bentuk model kemudian dites dengan menggunakan SVM classify. Pengujian dilakukan dengan komposisi data training dengan jumlah tes image positif sebanyak 16 tes image positif dan 36 tes image negatif. Pengujian dilakukan sebanyak 2 kali dengan data training awal sebanyak 16 image positif dan 36 image negatif. Untuk pengujian pertama, menghasilkan data sebagai berikut. Pengujian ke-1 Data image training :

lxvii

a. Image positif 16 image b. Image negatif 36 image Hasil Tes : a)

Tes image positif : 16 correct, 3 incorrect, 19 total

b)

Tes Image negatif : 30 correct, 8 incorrect, 38 total

c)

Tes Image positif dan negative : 46correct, 11 incorrect, 57 total

Pengujian ke-2 Data image training : a. Image positif 16 image b.

Image negatif 36 image

Hasil Tes : a) Tes image positif : 16 correct, 3 incorrect, 19 total b)

Tes Image negatif : 30 correct, 3 incorrect, 19 total

c)

Tes Image positif dan negative : 46correct, 11 incorrect, 57 total

Pengujian dilanjutkan sampai 2 kali pengujian. Dari hasil pengujian tersebut didapatkan tabel 2 seperti dibawah ini. Tabel 4.3 Hasil Pengujian Data Training

Training Positif 16 16

Training Negaitif 36 36

Hasil Tes Positif 95,39% 95,39%

Hasil Tes Negaitif 99,60% 99,60%

Hasil Tes Positif dan Negatif 98,23% 98,23%

Hasil tes positif menunjukkan peningkatan apabila jumlah data training ditambah. Presentase terakhir menunjukkan bahwa tingkat keberhasilan tes dengan classify SVM sebesar 99.10% dengan data training positif sebanyak 16 image dan data training negative sebanyak 36 image. Namun pada saat tes ke-2, dengan jumlah training data 16 image positif dan 36 image negative mendapatkan hasil yang

lxviii

sama, dikarenakan model yang dihasilkan dari training ke-2 mampu mendeteksi image dengan komposisi 30 correct, 3 incorrect, 57 total. Sedangkan hasil tes negatif menunjukkan tingkat keberhasilan sebesar 99,60% dari tes image sebanyak 36 image. Secara linear, hasil tes menunjukkan peningkatan dengan ditambahnya jumlah training data.

BAB V KESIMPULAN DAN SARAN 5.1 Kesimpulan Berdasarkan hasil penelitian dan pembahasan, yang dilakukan mulai dari tahap perancangan hingga pengujian terhadap Aplikasi Deteksi Objek Menggunakan Histogram of Oriented Gradient Untuk Modul Sistem Cerdas Pada Robot NAO, maka kesimpulan yang dapat diambil dari penelitian adalah sebagai berikut : 1) Hasil pengujian tes model menunjukkan tingkat keberhasilan mencapai 99,10% dalam mengenali image tes. 2) Pada pengujian image tes positif, jumlah penggunaan data training sangat mempengaruhi dalam proses pendeteksian objek menjadi lebih akurat. 3) Pada pengujian image gabungan (tes image positif dan negatif) tingkat keberhasilannya naik 98.23% menjadi 99,10% .

5.2 Saran Adapun saran yang disampaikan oleh penulis dalam penelitian ini yaitu : 1) Bagi peneliti lain yang sedang melakukan penelitian untuk modul sistem cerdas pada Robot NAO di Laboratorium Sistem Kendali Kontrol (LSKK) lxix

Institut Teknologi Bandung hendaknya dapat menerapkan Aplikasi Deteksi Objek ini dikarenakan aplikasi ini dapat dijadikan sebagai penambahan AI (Artificial Intelegence) pada Robot NAO dalam mendeteksi objek atau mengenali objek dengan tingkat keakurasian yang cukup baik sesuai data yang telah di uji dalam penelitian ini. 2) Diharapkan penelitian mengenai Aplikasi Deteksi Objek ini dapat di jadikan acuan bagi penelitian selanjutnya agar hasil dari penelitian ini dapat di bandingkan dengan pendekatan yang lain.

lxx